SEED：基于谱熵评估时空依赖关系的多变量时间序列预测
机器学习
2025-12-19 v2 人工智能
摘要
有效的多变量时间序列预测通常受益于准确建模复杂的变量间依赖关系。然而，现有的注意力或图基方法面临三个关键问题：(a) 强时间自依赖常被无关变量干扰；(b) Softmax归一化忽略并反转负相关；(c) 变量难以感知其时间位置。为此，我们提出了SEED（Spectral Entropy-guided Evaluation框架 for spatial-temporal Dependency建模）。SEED引入依赖评估器（Dependency Evaluator），一种关键创新，利用谱熵动态为每个变量的时空依赖提供初步评估，使模型能够适应性地平衡通道独立（CI）和通道依赖（CD）策略。为 account 来自于其他变量影响而非内在动力学的时序规律性，我们提出基于谱熵的融合器（Spectral Entropy-based Fuser），进一步细化评估的依赖权重，有效分离此类贡献。此外，为 preserve 负相关，我们引入符号图构造器（Signed Graph Constructor），实现带符号边权重，克服softmax的局限性。最后，为帮助变量感知其时间位置以构建更全面的时空特征，我们引入情境时空提取器（Context Spatial Extractor），利用局部情境窗口提取时空特征。在12个来自不同应用领域的真实数据集上进行的大量实验表明，SEED实现了最先进的性能，验证了其有效性和通用性。
引用
@article{arxiv.2512.14718,
title = {SEED: Spectral Entropy-Guided Evaluation of SpatialTemporal Dependencies for Multivariate Time Series Forecasting},
author = {Feng Xiong and Zongxia Xie and Yanru Sun and Haoyu Wang and Jianhong Lin},
journal= {arXiv preprint arXiv:2512.14718},
year = {2025}
}